Mais dados de graça (aumento)
Por que isso importaColetar dados é caro. Muitas vezes você pode ganhar mais mudando os exemplos que tem de formas que não mudam a resposta deles.
Os dígitos de teste aqui estão escritos um pouco fora do centro: deslocados em até um pixel. Um modelo treinado apenas em dígitos centralizados nunca viu isso e tem um desempenho ruim. Então adicione cópias deslocadas de cada dígito de treinamento: o rótulo permanece o mesmo, porque um 3 movido um pixel para a esquerda ainda é um 3.
Nem toda mudança é segura
A regra para aumento: faça apenas mudanças que mantenham a resposta igual. Um dígito espelhado não é caligrafia real, e algumas inversões transformam um dígito em algo próximo a outro. Tente e observe a pontuação.
Augmentation: treinamento em cópias alteradas dos seus dados (deslocamentos, pequenas rotações, recortes) que mantêm o rótulo verdadeiro.
Palavras e símbolos nesta lição
- augmentation
- cópias alteradas dos dados que mantêm o rótulo verdadeiro
Escreva shifted_copies(imgs, labs) retornando imagens e rótulos com todos os 9 deslocamentos de cada imagem (movimentos de -1, 0 ou +1 pixels para baixo e para os lados, usando np.roll). Depois avalie três execuções com fit_and_score: plain (apenas imagens de treinamento), shifted (suas cópias) e flipped (imagens de treinamento mais cópias espelhadas da esquerda para a direita). Defina harmful para o nome da execução que piorou.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.